Skip to content

Exercice Octavia – Alpha / Beta / Gamma

Ce projet est un exercice pour comprendre la différence entre : - raisonnement humain (Alpha) - apprentissage automatique (Beta) - impact des erreurs de données (Gamma)

Le contexte est inspiré de l’expérience d’Asch (conformité).

Alpha – Raisonnement humain

Dans la partie Alpha, nous ne faisons pas de machine learning.

Nous utilisons un diagramme d’activité pour expliquer la logique humaine : - lire les entrées (a, b, c, d, 1, 2, 3, ref) - choisir une réponse - comparer avec la référence - décider si la réponse est correcte ou non

Objectif : expliquer la décision sans code, seulement avec la logique.

Diagramme Alpha

Beta – Apprentissage automatique

Dans la partie Beta, nous transformons la logique humaine en données.

Génération des données

Fichier :

Fichier : beta/generate_datasets.py

Ce script : - génère des valeurs aléatoires (1 à 10) - crée des colonnes : a, b, c, d, 1, 2, 3, ref - sauvegarde un dataset d’entraînement et un dataset de test

Ajout du label (conform)

Fichier : beta/add_label.py

Ici : - conform = 1 si a == ref - conform = 0 sinon

Nous créons les bonnes réponses pour entraîner le modèle.

Entraînement de l’arbre de décision

Fichier : beta/train_tree.py

Nous utilisons : - DecisionTreeClassifier (scikit-learn) - les colonnes comme entrées (X) - conform comme sortie (y)

Le modèle apprend automatiquement les règles.

Nous calculons aussi la précision (accuracy).

Objectif : apprendre une règle automatiquement à partir des données.

Gamma – Données bruitées (erreurs)

Dans la partie Gamma, nous cassons volontairement les données.

Principe : - on modifie les labels (conform) - on ajoute des erreurs (90%, 85%, 80%, …) - on réentraîne le modèle - on observe la baisse de performance

Objectif :

Montrer que la qualité des données est très importante en machine learning.

Conclusion

  • Alpha : logique humaine
  • Beta : apprentissage automatique
  • Gamma : impact des erreurs

Ce projet montre qu’un modèle peut être correct, mais sans bonnes données, il apprend mal.

Liens